Akaikeho informační kritérium (AIC)
Akaikeho informační kritérium je informačně-teoretická míra pro výběr modelu, která vyvažuje dobrou shodu s komplexností modelu. AIC, představené Hirotugu Akaikem v roce 1974, odhaduje relativní kvalitu modelů pro danou datovou sadu a penalizuje dodatečné parametry, aby se zabránilo přeučení.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723. DOI: 10.1109/TAC.1974.1100705 ↗
- Burnham, K. P., & Anderson, D. R. (2002). Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach (2nd ed.). New York: Springer. DOI: 10.2307/3802723 ↗
- Kullback, S., & Leibler, R. A. (1951). On information and sufficiency. Annals of Mathematical Statistics, 22(1), 79-86. DOI: 10.1214/aoms/1177729694 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Akaike Information Criterion. ScholarGate. https://scholargate.app/cs/model-evaluation/akaike-information-criterion
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Upravený koeficient determinace (R²_adj)Hodnocení modelů↔ compare
- Bayesovské informační kritérium (BIC)Hodnocení modelů↔ compare
- Střední kvadratická chyba (MSE)Hodnocení modelů↔ compare
- Koeficient determinace (R²)Hodnocení modelů↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →